كيف تقرأ النتائج السابقة التي تبدو دقيقة تمامًا؟

الحقيقة وراء الجداول التاريخية التي تبدو مثالية

تخلق مجموعات النتائج المضاءة باللون الأخضر المتتالي في الجداول، أو الإحصائيات السابقة التي تبدو مثالية تماماً، شعوراً للوهلة الأولى بأنها تقدم منطقاً لا يرتل. إن الوهم الأكبر الذي يواجهه الشخص الذي يجري تحليلاً قائماً على البيانات هو افتراض أن الفلتر الذي أظهر نجاحاً كاملاً في الماضي سيحتفظ بنفس الأداء تماماً في المستقبل. وعادة ما تتشكل مثل هذه الجداول المثالية بشكل لحظي نتيجة اجتماع ظروف محددة للغاية.

عند فحص مجموعات البيانات في عمليات التحليل، فإن أول ما يجب فعله هو التساؤل عن عمق البيانات وراء هذا الجدول المثالي. وكما نؤكد في منصة OranAnalizTV، فإن تحقيق فلتر أو مجموعة معايير إصابة كاملة في الماضي لا يعني تحوله إلى قانون رياضي. في كثير من الأحيان، لا يعدو هذا الأمر كونَه سلسلة مصادفة حدثت خلال نطاق زمني ضيق.

إن فهم الظروف الخلفية التي تشكلت فيها نسب النجاح العالية جداً يضمن بقاء المحلل محايداً. على سبيل المثال، فإن النتائج المكتملة التي تم الحصول عليها في 5 مباريات فقط خلال الأسابيع الأولى من الدوري أو ضمن نطاق احتمالات معين، هي في الواقع بيانات لم تنضج بعد من الناحية الإحصائية. عند قراءة البيانات، يلزم التمييز بين ما إذا كان الجدول الذي نراه يمثل اتجاهاً حقيقياً أم تقلبات مؤقتة.

فخ العينة الصغيرة والسلاسل العشوائية

في علم الإحصاء، غالباً ما يؤدي العمل مع مجموعات عينات صغيرة بالمحللين إلى ارتكاب أخطاء في تفسير الإحصائيات. ففي البيانات التي لم تصل إلى حجم عددي كافٍ، قد تحدث حالات طبيعية مثل ظهور الوجه 5 مرات متتالية عند رمي قطعة نقدية. وهذا الوضع لا يثبت أن قطعة النقد غير عادلة، بل يثبت أن عدد المحاولات غير كافٍ.

وتجري عملية مماثلة في تحليل المباريات. لنفترض أن معيار احتمالات معيناً للفريق المستضيف في المباريات الأربع السابقة قد انتهى بنجاح تام. مجموعة البيانات المكونة من 4 مباريات هذه تفتقر إلى الكتلة الإحصائية اللازمة لإجراء توقع قوي بشأن المباراة الخامسة القادمة. ومالم يتفعل قانون الأعداد الكبيرة، فإن الاحتمالات التي تم الحصول عليها تقع ضمن فئة الإحصائيات المضللة.

لإنشاء فترة ثقة في انضباط قراءة البيانات، من الضروري توسيع حجم العينة. فكلما اتسعت المجموعات العددية، تلاشت الانحرافات المؤقتة واقترب النظام من متوسطه الحقيقي. لهذا السبب، ما لم يصل عدد المباريات وراء التحليل إلى مستويات 100 أو 500 مباراة، يجب التعامل بحذر مع الاحتمالات العالية المعروضة.

تحيز الاختيار: تضييق البيانات وفقاً للنتيجة المرغوبة

تحيز الاختيار هو حالة يقوم فيها المحللون بتضييق نطاق البيانات - بعلم أو بغير علم - لإثبات الفرضية الموجودة في أذهانهم. إن تضمين المعايير التي تعطي نتائج ناجحة فقط في الفلتر واستبعاد المعايير الفاشلة ينتج نماذج مثالية على الورق ولكنها غير صالحة للاستخدام في الواقع. وهذه الحالة هي أخطر وهم يُرتكب في عمليات قراءة البيانات التاريخية.

وللتوضيح بمثال؛ لنفترض محللاً يضيف إلى الفلتر الخاص به فقط المباريات التي كان الطقس فيها ممطراً، وكان نطاق الاحتمالات فيها بين 1.40 و 1.45، وسجل كلا الفريقين أهدافاً في آخر مباراتين. ولنفترض أن هذا الفلتر المضيّق للغاية قد حقق نجاحاً كاملاً في 6 مباريات في الماضي. كلما ضُيّقت شروط الفلتر بشكل مصطنع، زاد خطر الإفراط في التوافق.

بدلاً من تشكيل البيانات وفقاً للنتيجة، يجب السماح للبيانات نفسها بسرد قصتها. فكلما زاد عدد المعايير المستخدمة في أنظمة التصفية، قلت الصلاحية العامة للنموذج. يجب أن يكون النموذج السليم ذا بنية تحافظ على بساطة عدد المتغيرات وتعطي نتائج مستقرة في مجموعات المباريات الواسعة.

العناصر الأساسية التي تجعل تحليل الاحتمالات التاريخية موثوقاً

إن المعيار الأكثر أساسية الذي يحدد الموثوقية في تحليلات الاحتمالات التاريخية هو ما إذا كانت المعايير تستند إلى سببية عقلانية أم لا. فالنماذج التي تعتمد فقط على التطابقات العددية العشوائية تنهار عند أول تقلب كبير في البيانات. يتطلب النهج التحليلي الصحيح دمج البيانات الرقمية مع المنطق الميداني داخل الملعب.

العنصر الثاني هو التوازن في النطاق الزمني وتوزيع الدوريات. توفر مجموعة البيانات الواسعة المجمعة من دوريات مختلفة وفترات زمنية مختلفة البيئة الأكثر ملاءمة لاختبار متانة النموذج. وفي هذا الاتجاه، تختار منصة JARVIS يومياً المباريات والأسواق الأكثر دعماً بالبيانات التاريخية؛ ويوجد بجانب كل توقع حجم العينة ونسبة الثقة، ولكن النظام لا يقدم بأي حال من الأحوال ضماناً للأرباح.

بالإضافة إلى ذلك، فإن عرض البيانات التي ينتجها النظام واختبارها بنهج شفاف يكتسب أهمية بالغة. ينبغي لنموذج البيانات الموثوق أن يكون قادراً على رسم منحنى نجاح متسق دون الاعتماد على مباراة واحدة أو فترة ضيقة. يوضح الجدول التالي مفاهيمياً كيفية تغير موثوقية البيانات وفقاً لحجم العينة:

أهمية اللغة الصادقة والشفافية في عروض الاحتمالات العالية

تشكل اللغة المفضل استخدامها عند مشاركة النتائج الإحصائية مع الجمهور أو مع أنفسنا أساس أخلاقيات قراءة البيانات. إن الخطابات التسويقية والمضللة مثل الوعد بنتيجة مؤكدة تقضي تماماً على مفهوم الاحتمالية الكامن في طبيعة البيانات. في الإحصائيات الرياضية، يوجد دائماً هامش انحراف ونسبة عدم يقين معينة.

عند تقديم نسب النجاح، لا يجب عرض المباريات الناجحة فحسب، بل يجب عرض الأمثلة الفاشلة أيضاً بنفس الوضوح. على سبيل المثال، فإن توضيح ما إذا كان الفلتر الذي نُعبر عن نسبة نجاحه السابقة بـ 80% مشتقاً في الواقع من سلسلة ضيقة من 5 مباريات أم من تاريخ يمتد لـ 500 مباراة، هو من مقتضيات التحليل الصادق. يهدف نهج OranAnalizTV إلى رسم الحدود الرياضية للأرقام بوضوح بدلاً من إضفاء معانٍ مبالغ فيها عليها.

إن النهج التحليلي الصادق يكسب المستخدم مهارة إعداد التحليل بدلاً من إعطائه أفكاراً جاهزة. وفي الواقع، أثناء إجراء الفحوصات القائمة على البيانات التاريخية في خدمة JARVIS، يتم إظهار حجم العينة بوضوح لكل سوق، ويتم تشجيع المستخدم على تصفية البيانات عبر تقييمه الخاص؛ ولا يتعهد النظام بنتيجة مؤكدة تحت أي ظرف من الظروف.

سيناريو تحليل النتائج التاريخية خطوة بخطوة

لنلقِ نظرة على كيفية اختبار فلتر إحصائي مُطوَّر في العالم العملي خطوة بخطوة من خلال سيناريو. لنفترض في سيناريونا أننا أنشأنا نموذجاً يستهدف الحالات التي تكون فيها احتمالات فوز الفريق المستضيف 1.70. في المرحلة الأولى، نقوم بسحب المباريات التاريخية التي تمتلك هذه الاحتمالات من قاعدة البيانات لتشكيل مجموعة البيانات الأولية.

في الخطوة الثانية، نقسم مجموعة البيانات إلى فترات زمنية. لنفترض أن لدينا مجموعة بيانات تتكون من 150 مباراة في المجمل. نخصص أول 100 مباراة من هذه الـ 150 مباراة لتدريب النموذج، والـ 50 مباراة المتبقية لاختبار أداء النموذج. حتى لو أظهر النموذج نجاحاً عالياً جداً في أول 100 مباراة، إذا لم يستطع الحفاظ على نفس النجاح في الـ 50 مباراة الأخيرة التي خصصناها، فهذا يعني وجود خطأ إفراط في التوافق في النموذج.

في الخطوة الثالثة، نقيّم المعايير الجانبية التي أضفناها إلى الفلتر الخاص بنا بشفافية. على سبيل المثال، عندما نضيف إلى نموذجنا شرط "الفرق التي لم تُهزم في آخر 3 مباريات" وينخفض عدد العينة من 150 إلى 12، نكون قد أنشأنا هنا إيهاماً زائفاً بالنجاح. أما في الخطوة الرابعة، فنقوم بمقارنة نسبة النجاح المحققة بالاحتمالية الضمنية التي تقدمها احتمالات السوق (على سبيل المثال، 1 مقسومة على 1.70 = 58.8%) للتحقق مما إذا كان النموذج ينتج قيمة حقيقية أم لا.

الأخطاء الشائعة في تفسير الإحصائيات عند قراءة البيانات التاريخية

في مقدمة الأخطاء التي يُقع فيها كثيراً عند تحليل البيانات التاريخية، القبول بأن السلاسل الرقمية مستقلة عن الزمن. فديناميكيات الدوري قبل عامين ليست هي نفسها البيئة التنافسية اليوم. عند تقييم البيانات التاريخية، يجب مراعاة عوامل مثل تشكيلات الفرق، والتغييرات في القواعد، والتحولات التكتيكية.

وهناك خطأ شائع آخر وهو الوقوع في الفخاخ النفسية المعروفة باسم مغالطة "اليد الساخنة" أو "مغالطة المقامر". إن افتراض أن السلسلة يجب أن تنكسر أو تستمر بنفس الطريقة في المباراة التالية لمباريات وصلت إلى نتيجة معينة بشكل متتالٍ هو أمر خاطئ من الناحية الرياضية. فكل مباراة تحمل احتمالات مستقلة.

يمكن تلخيص العثرات الأساسية التي يقع فيها المحللون غالباً على النحو التالي:

• تعميم العينات الضيقة ذات حجم البيانات غير الكافي واعتبارها قاعدة أساسية.
• تغيير معايير الفلتر باستمرار وفقاً للنتيجة وإنتاج جداول نجاح اصطناعية.
• حساب الاحتمالية بناءً على الاحتمالات الخام دون مراعاة هامش الربح المتضمن في احتمالات السوق.
• الخلط بين التقلبات الدورية في المستوى خلال الموسم والاتجاهات الإحصائية طويلة الأجل.

حدود أسلوب التحليل: الحالات التي تكون فيها البيانات التاريخية غير كافية

مهما كانت أساليب قراءة البيانات التاريخية متطورة، فإنها لا تستطيع إزالة عامل المفاجأة الكامن في طبيعة الرياضة تماماً. فالأرقام الموجودة في قاعدة البيانات هي ملخص للأداء السابق؛ ولا يمكنها محاكاة العوامل البشرية والبيئية التي ستحدث في الملعب بشكل مباشر. وهذا الوضع يضع الحد الأكثر وضوحاً لهذا الأسلوب.

إن الديناميكيات مثل الإصابات التي تحدث قبل المباراة، والتغيرات المفاجئة في الأحوال الجوية، وتغييرات المدربين، وقرارات الحكام لا يمكن عكسها فوراً في النماذج الرقمية. وتحليل الاحتمالات التاريخية يكون غير كافٍ للتنبؤ بمثل هذه التطورات اللحظية. لهذا السبب، لا يعد تحليل البيانات آلية اتخاذ قرار بمفرده، بل هو بوصلة مساعدة.

السيناريوهات الرئيسية التي تبتعد فيها البيانات التاريخية عن كونها شارحة بمفردها هي:

• في الانتقالات بين المواسم التي تتغير فيها تشكيلات الفرق وفلسفة اللعب بشكل جذري.
• في مباريات الشرف أو الكأس التي لا تكون فيها مستويات التحفيز متساوية.
• في الظروف المناخية والميدانية السيئة للغاية التي تظهر في وقت المباراة.
• في الأحداث داخل الملعب التي تغير مجرى المباراة تماماً، مثل البطاقات الحمراء المبكرة.

مقالات ذات صلة

• حجم العينة: لماذا لا تتساوى 8/8 مع 720/800؟
• هل يفوز الفريق المرشح دائماً؟ الحالات التي قد تكون فيها الاحتمالات المنخفضة مضللة